مقارنة فنية مفصلة بين YOLO11 و YOLOv7
يتطلب اختيار نموذج الكشف عن الأجسام الأمثل فهمًا للقدرات المحددة والمفاضلات بين التصميمات المعمارية المختلفة. تقدم هذه الصفحة مقارنة فنية بين Ultralytics YOLO11 و YOLOv7، وهما نموذجان قويان في سلالة YOLO. نتعمق في الاختلافات المعمارية ومعايير الأداء وحالات الاستخدام المثالية لمساعدتك في اختيار الأنسب لمشاريع رؤية الكمبيوتر الخاصة بك. في حين أن YOLOv7 كانت خطوة مهمة إلى الأمام في الكشف في الوقت الفعلي، إلا أن Ultralytics YOLO11 تمثل أحدث ما توصلت إليه التكنولوجيا، حيث تقدم أداءً فائقًا وتنوعًا أكبر وتجربة مطور أكثر انسيابية.
YOLOv7: الكشف الفعال والدقيق عن الأجسام
تم تقديم YOLOv7 كتقدم كبير في كشف الأجسام في الوقت الفعلي، مع التركيز على تحسين كفاءة التدريب ودقته دون زيادة تكاليف الاستدلال.
- المؤلفون: Chien-Yao Wang و Alexey Bochkovskiy و Hong-Yuan Mark Liao
- المنظمة: معهد علوم المعلومات، أكاديميا سينيكا، تايوان
- التاريخ: 2022-07-06
- Arxiv: https://arxiv.org/abs/2207.02696
- GitHub: https://github.com/WongKinYiu/yolov7
- المستندات: https://docs.ultralytics.com/models/yolov7/
البنية والميزات الرئيسية
يعتمد YOLOv7 على بنى YOLO السابقة من خلال تقديم العديد من الابتكارات الرئيسية. وهو يستخدم تقنيات مثل شبكات تجميع الطبقات الفعالة الموسعة (E-ELAN) وطرق توسيع نطاق النموذج المحسّنة للنماذج القائمة على التسلسل. تتمثل المساهمة الرئيسية في مفهوم "حقيبة التدريب المجانية"، والذي يتضمن استراتيجيات التحسين المطبقة أثناء التدريب (مثل الرؤوس الإضافية والتوجيه من الخشن إلى الدقيق) لتعزيز دقة النموذج النهائية دون إضافة أعباء حسابية أثناء الاستدلال. يركز YOLOv7 بشكل أساسي على الكشف عن الأجسام ولكن لديه امتدادات مجتمعية لمهام مثل تقدير الوضع.
مقاييس الأداء وحالات الاستخدام
عند إطلاقه، أظهر YOLOv7 أداءً هو الأحدث في المجال، حيث قدم توازنًا مقنعًا بين السرعة والدقة. على سبيل المثال، حقق نموذج YOLOv7x نسبة mAPtest تبلغ 53.1% على مجموعة بيانات MS COCO بحجم صورة 640. كفاءته تجعله مناسبًا للتطبيقات في الوقت الفعلي مثل أنظمة الأمان المتقدمة والأنظمة المستقلة التي تتطلب اكتشافًا سريعًا ودقيقًا.
نقاط القوة
- توازن بين الدقة العالية والسرعة: يوفر مزيجًا قويًا من mAP وسرعة الاستدلال لمهام الوقت الفعلي.
- تدريب فعال: يستخدم تقنيات تدريب متقدمة ("حقيبة من الأشياء المجانية") لتحسين الدقة دون زيادة تكلفة الاستدلال.
- أداء راسخ: نتائج مثبتة على المعايير القياسية مثل MS COCO.
نقاط الضعف
- التعقيد: قد يكون فهم تقنيات البنية الأساسية والتدريب وتحسينها بشكل كامل أمرًا معقدًا.
- استهلاك مكثف للموارد: تتطلب نماذج YOLOv7 الأكبر موارد GPU كبيرة للتدريب.
- تنوع محدود في المهام: يركز بشكل أساسي على اكتشاف الكائنات، ويتطلب تطبيقات منفصلة لمهام أخرى مثل التجزئة أو التصنيف مقارنة بالنماذج المتكاملة مثل YOLO11.
- نظام بيئي مجزأ: يفتقر إلى الإطار الموحد والوثائق الشاملة والصيانة النشطة الموجودة في نظام Ultralytics البيئي.
Ultralytics YOLO11: أحدث ما توصلت إليه الكفاءة والتنوع
Ultralytics YOLO11، من تأليف Glenn Jocher و Jing Qiu من Ultralytics، يمثل أحدث تطور في سلسلة YOLO. تم إصداره في 27 سبتمبر 2024، وهو مصمم لتحقيق دقة فائقة وكفاءة محسنة وتنوع أوسع في المهام داخل إطار عمل سهل الاستخدام.
- المؤلفون: Glenn Jocher و Jing Qiu
- المنظمة: Ultralytics
- التاريخ: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- المستندات: https://docs.ultralytics.com/models/yolo11/
البنية والميزات الرئيسية
تتضمن بنية YOLO11 تقنيات متقدمة لاستخراج الميزات وتصميم شبكة مبسط، مما يؤدي إلى دقة أعلى غالبًا مع عدد أقل من المعلمات مقارنةً بالإصدارات السابقة مثل YOLOv8 و YOLOv7. يؤدي هذا التحسين إلى سرعات استدلال أسرع ومتطلبات حسابية أقل، وهو أمر بالغ الأهمية للنشر عبر منصات متنوعة، من الأجهزة الطرفية إلى البنية التحتية السحابية.
تتمثل إحدى المزايا الرئيسية لـ YOLO11 في تنوعها. إنه نموذج متعدد المهام يدعم أصلاً اكتشاف الكائنات، و تجزئة المثيلات، و تصنيف الصور، و تقدير الوضعية، والصناديق المحيطة الموجهة (OBB). يتكامل بسلاسة في نظام Ultralytics البيئي، مما يوفر تجربة مستخدم مبسطة عبر واجهات Python و CLI بسيطة، و وثائق شاملة، وأوزان مُدرَّبة مسبقًا متاحة بسهولة من أجل تدريب فعال.
نقاط القوة
- أداء هو الأفضل على الإطلاق: يحقق درجات mAP أعلى بهندسة معمارية أكثر كفاءة.
- كفاءة فائقة: سرعة ممتازة على كل من CPU و GPU، مع عدد أقل بكثير من المعلمات وعمليات الفاصلة العائمة في الثانية (FLOPs) مقارنة بـ YOLOv7 للحصول على دقة مماثلة.
- تنوع لا مثيل له: يدعم أصلاً الاكتشاف، والتجزئة، والتصنيف، وتحديد الوضعية، والمربعات المحيطة الموجهة (OBB) في إطار عمل موحد واحد.
- سهولة الاستخدام: يتميز بواجهة برمجة تطبيقات (API) بسيطة، ووثائق شاملة، وتكامل سلس مع أدوات مثل Ultralytics HUB للتدريب والنشر بدون تعليمات برمجية.
- نظام بيئي مُدار بشكل جيد: استفد من التطوير النشط، ومجتمع قوي، والتحديثات المتكررة، وثروة من الموارد.
- كفاءة الذاكرة: مصممة لتقليل استخدام الذاكرة أثناء التدريب والاستدلال، مما يجعلها أكثر سهولة من البنى الأخرى.
نقاط الضعف
- باعتباره نموذجًا أحدث، قد تكون بعض عمليات تكامل أدوات الطرف الثالث المتخصصة لا تزال قيد التطوير مقارنةً بالنماذج الأقدم والأكثر رسوخًا.
- لا تزال النماذج الأكبر، على الرغم من دقتها العالية، تتطلب موارد حسابية كبيرة للتدريب والنشر.
مقارنة أداء مباشرة: YOLO11 ضد YOLOv7
عند مقارنة مقاييس الأداء مباشرة، تصبح مزايا Ultralytics YOLO11 واضحة. تقدم النماذج مقايضة أفضل بين الدقة والكفاءة في جميع المجالات.
| النموذج | الحجم (بالبكسل) |
mAPval 50-95 |
السرعة وحدة المعالجة المركزية CPU ONNX (بالمللي ثانية) |
السرعة T4 TensorRT10 (بالمللي ثانية) |
المعلمات (M) |
FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
من الجدول، تظهر العديد من الرؤى الرئيسية:
- الدقة والكفاءة: يحقق YOLO11l قيمة mAP أعلى (53.4) من YOLOv7x (53.1) مع استخدام عدد أقل بكثير من المعلمات (25.3 مليون مقابل 71.3 مليون) وعمليات الفاصلة العائمة في الثانية (FLOPs) (86.9 مليار مقابل 189.9 مليار).
- سرعة الاستدلال: نماذج YOLO11 أسرع بشكل ملحوظ، خاصة على وحدة معالجة الرسوميات GPU مع TensorRT. YOLO11l أسرع بمرتين تقريبًا من YOLOv7x على وحدة معالجة الرسوميات T4. علاوة على ذلك، يوفر YOLO11 معايير أداء قوية لوحدة المعالجة المركزية CPU عبر ONNX، وهو مقياس حاسم للعديد من عمليات النشر الواقعية حيث تتوفر بيانات YOLOv7.
- قابلية التوسع: توفر عائلة YOLO11 نطاقًا أوسع وأكثر كفاءة من النماذج، بدءًا من YOLO11n خفيف الوزن (زمن انتقال 1.5 مللي ثانية) إلى YOLO11x عالي الدقة (54.7 mAP)، مما يسمح للمطورين بإيجاد التوازن المثالي لاحتياجاتهم الخاصة.
لماذا تختار Ultralytics YOLO11؟
في حين أن YOLOv7 كان نموذجًا قويًا في عصره، فإن Ultralytics YOLO11 هو الخيار الواضح لمشاريع رؤية الكمبيوتر الحديثة. فهو لا يتفوق على YOLOv7 في المقاييس الأساسية مثل الدقة والسرعة فحسب، بل يوفر أيضًا تجربة مستخدم فائقة ومجموعة ميزات أكثر شمولاً.
تشمل المزايا الرئيسية لاختيار YOLO11 ما يلي:
- إطار عمل موحد: حزمة واحدة سهلة الاستخدام لمهام رؤية متعددة، مما يلغي الحاجة إلى التعامل مع مستودعات وبيئات مختلفة.
- تطوير ودعم نشط: كجزء من نظام Ultralytics الذي تتم صيانته بنشاط، يتلقى YOLO11 تحديثات مستمرة وإصلاحات للأخطاء ودعمًا من مجتمع كبير وفريق التطوير الأساسي.
- جاهز للإنتاج: مع تركيزه على الكفاءة وسهولة النشر والأدوات القوية، تم تصميم YOLO11 للتطبيقات الواقعية، من النماذج الأولية إلى الإنتاج واسع النطاق.
- مواكبة المستقبل: من خلال تبني YOLO11، يتماشى المطورون مع أحدث ما توصل إليه البحث في مجال الكشف عن الكائنات ويستفيدون من الابتكارات المستمرة من Ultralytics.
بالنسبة للمطورين الذين يبحثون عن نموذج حديث ومتعدد الاستخدامات وعالي الأداء مدعوم بنظام بيئي قوي، فإن Ultralytics YOLO11 هو الخيار الأمثل.
مقارنات النماذج الأخرى
للمزيد من الاستكشاف، ضع في اعتبارك هذه المقارنات التي تتضمن YOLOv7 و YOLO11 ونماذج أخرى ذات صلة:
- YOLO11 مقارنة بـ YOLOv8
- YOLOv7 ضد YOLOv8
- YOLOv7 ضد YOLOv6
- RT-DETR ضد YOLOv7
- استكشف أحدث النماذج مثل YOLOv10 ومقارنات أخرى على صفحة المقارنة الرئيسية الخاصة بنا.
